3. 感知与信息获取

车道合并与匝道汇入决策的前提，是车辆能够准确回答三个问题：我在哪？周围是谁？接下来会发生什么？这三个问题的答案，完全依赖于车辆的感知系统。单一传感器无法在所有工况下提供可靠答案——摄像头在逆光和隧道内会失效，毫米波雷达对静止物体和横向移动目标存在盲区，激光雷达在雨雪雾天气性能衰减严重。因此，现代智能驾驶系统采用多传感器异构融合架构，并引入V2X（Vehicle-to-Everything）车路协同技术，将感知维度从“单车视角”扩展到“交通系统视角”。本节将系统讲解各类传感器的物理原理、数据特征、融合策略，以及V2X在匝道汇入场景中的关键作用。

上图展示了多传感器融合感知与V2X车路协同的整体架构。左侧为车载传感器组，中间为融合处理引擎，右侧为V2X通信模块，底部为决策输出。在实际工程中，各传感器数据并非简单叠加，而是经过时间同步、空间对齐、特征级融合后，形成统一的环境模型。V2X信息则作为独立数据源，与车载传感器数据在决策层进行融合，弥补单车感知的视距限制。

3.1 核心传感器原理与数据特征

3.1.1 摄像头：语义理解的基石

摄像头是唯一能够提供丰富语义信息的传感器。在车道合并场景中，摄像头负责识别车道线类型（实线/虚线/导流线）、车道边界位置、交通标志（限速、合流标志）、交通信号灯状态，以及前方车辆的类型（轿车/卡车/摩托车）和刹车灯状态。现代智能驾驶摄像头通常采用8MP分辨率、120°水平视场角、30-60fps帧率，配合ISP（图像信号处理器）进行宽动态范围（HDR）处理，以应对隧道出入口、逆光等极端光照条件。

摄像头的核心优势在于语义理解——它不仅能检测到“有一个物体”，还能判断“这是一个正在执行变道意图的车辆”。但其致命弱点是对光照敏感：夜间无路灯路段、强光直射、雨雾天气都会导致检测置信度显著下降。此外，单目摄像头缺乏深度信息，需要结合运动恢复结构（SFM）或神经网络深度估计来获取距离，精度远低于雷达。

3.1.2 毫米波雷达：全天候的距离-速度测量

毫米波雷达工作在77GHz频段，利用多普勒效应直接测量目标的径向速度和距离。在匝道汇入场景中，雷达能够精确测量主路后方来车的速度、距离和方位角，为汇入时机判断提供关键数据。其探测距离可达200米以上，速度精度达到±0.1km/h，且不受光照、雨雾、烟尘影响，是全天候感知的核心传感器。

然而，毫米波雷达存在两个显著局限：角度分辨率低（典型±1°），难以区分横向并排的两个目标；对静止目标不敏感，在车辆静止或低速行驶时，雷达回波与地面杂波混叠，容易漏检静止车辆或护栏。因此，雷达数据必须与摄像头或激光雷达融合，才能获得完整的环境信息。

3.1.3 激光雷达：高精度三维空间感知

激光雷达通过发射激光束并测量反射时间，生成环境的三维点云。其核心价值在于提供厘米级精度的空间几何信息，能够精确描绘车道边界、路沿、护栏、锥桶等静态元素，以及前方车辆、行人的精确轮廓和位置。在匝道汇入场景中，激光雷达可以精确测量加速车道长度、主路车辆与自车的横向距离，为汇入路径规划提供几何约束。

激光雷达的劣势在于成本高、点云稀疏、对恶劣天气敏感。雨滴和雾霾会散射激光，导致点云噪声剧增。此外，点云数据量巨大（每秒100-200万点），对计算平台的处理能力提出较高要求。当前主流方案是采用固态激光雷达（如MEMS振镜式），在保证性能的同时降低成本。

3.2 多传感器融合策略

3.2.1 融合层级与架构

多传感器融合分为三个层级：数据级融合、特征级融合和决策级融合。在车道合并场景中，推荐采用特征级融合为主、决策级融合为辅的混合架构。

在工程实践中，特征级融合是主流方案。具体流程为：摄像头输出2D检测框和语义分割结果，毫米波雷达输出目标点迹（距离、速度、角度），激光雷达输出3D点云聚类结果。融合模块首先通过时间同步（通常以10ms为周期）和空间对齐（将各传感器坐标转换到车体坐标系），然后利用匈牙利算法或联合概率数据关联（JPDA）进行目标匹配，最后通过卡尔曼滤波或粒子滤波进行状态估计。

3.2.2 目标关联与跟踪

目标关联是多传感器融合的核心难点。在匝道汇入场景中，主路车辆可能同时被摄像头、雷达和激光雷达检测到，但各传感器的检测结果存在时间延迟和空间偏差。常用的关联方法包括：

1. 最近邻关联（NN）：选择距离最近的检测对进行匹配，计算量小但容易误配。
2. 全局最近邻（GNN）：通过全局优化解决一对多匹配问题，适合目标稀疏场景。
3. 联合概率数据关联（JPDA）：考虑所有可能的关联组合，适合目标密集场景，但计算复杂度高。
4. 多假设跟踪（MHT）：维护多个关联假设，延迟决策，精度最高但实现复杂。

在车道合并场景中，由于目标数量通常不超过10个，推荐采用GNN+JPDA的混合策略：先使用GNN进行初步关联，对存在歧义的目标使用JPDA进行精细匹配。

3.2.3 传感器失效降级策略

传感器失效是必须考虑的现实问题。在匝道汇入过程中，如果摄像头被泥水遮挡或激光雷达因振动失效，系统必须能够自动降级。降级策略应遵循以下原则：

• 单传感器失效：保留其余传感器继续工作，降低融合置信度，但维持基本汇入功能。
• 双传感器失效：仅保留一个传感器，系统降级为“仅提示、不控制”模式。
• 全部失效：立即退出辅助驾驶，发出接管请求，车辆减速至安全状态。

3.3 V2X车路协同在匝道汇入中的应用

3.3.1 V2X通信架构与消息类型

V2X（Vehicle-to-Everything）通过PC5直连通信或Uu蜂窝通信，实现车辆与周围实体（车辆、路侧设施、行人、网络）的信息交互。在匝道汇入场景中，以下消息类型最为关键：

3.3.2 V2X的独特价值：超视距感知与协同决策

车载传感器的最大局限是视距限制——摄像头和激光雷达无法穿透前方大车看到更远处的交通状况，毫米波雷达也无法探测弯道后的来车。V2X通过路侧单元（RSU）和车载单元（OBU）的通信，将感知范围扩展到300-500米，甚至更远。

在匝道汇入场景中，V2X的典型应用包括：

1. 盲区预警：当主路车辆被自车A柱遮挡或处于后视镜盲区时，V2V通信直接获取该车辆的位置和速度。
2. 信号灯状态推送：匝道出口信号灯即将变红时，SPAT消息提前告知，车辆可提前减速或加速通过。
3. 汇入协同：主路车辆通过V2V发送“正在减速让行”的意图，自车可据此判断汇入窗口。
4. 交通事件预警：前方发生事故或施工时，RSU通过RSM消息广播事件位置，车辆提前调整汇入策略。

3.3.3 V2X与车载感知的融合策略

V2X数据不能直接替代车载传感器，因为通信存在丢包、延迟和恶意攻击风险。正确的融合策略是：

• 主从关系：以车载传感器为主，V2X信息作为补充和验证。
• 一致性校验：当V2X目标与车载传感器目标匹配时，融合两者数据提高置信度；当不一致时，以车载传感器为准并发出警告。
• 超视距信任：对于车载传感器无法覆盖的区域（如弯道后、大车遮挡），V2X信息作为唯一数据源，但需降低控制权限，仅用于提示和预警。

3.4 案例拆解：城市快速路匝道汇入感知系统设计

3.4.1 场景与约束

某城市快速路匝道，加速车道长度180米，主路限速80km/h，匝道限速40km/h。汇入点位于弯道后200米，存在视觉盲区。车辆搭载L2+级辅助驾驶系统，需在汇入点前完成安全汇入。

3.4.2 感知系统配置

3.4.3 感知融合流程与关键指标

系统以20ms周期运行融合算法，具体流程如下：

1. 数据采集：各传感器独立采集并预处理，生成带时间戳的目标列表。
2. 时间同步：以GPS时钟为基准，将各传感器数据对齐到同一时刻（误差<5ms）。
3. 空间对齐：通过标定参数将各传感器坐标转换到车体坐标系（原点位于后轴中心）。
4. 目标关联：使用GNN算法进行初步匹配，对歧义目标使用JPDA精细匹配。
5. 状态估计：采用扩展卡尔曼滤波（EKF）融合位置、速度、加速度信息。
6. V2X融合：将V2X目标与融合目标列表进行一致性校验，匹配成功则提高置信度，不匹配则标记为“待验证”。
7. 输出：生成最终目标列表，包含目标ID、类型、位置、速度、加速度、置信度、存在概率。

3.4.4 测试结果与复盘

在实车测试中，系统成功完成87%的自动汇入操作，平均汇入时间6.2秒，最小安全距离保持2.1米。失败案例主要集中在以下场景：

• 大雨天气：激光雷达点云噪声增加，目标检测置信度下降，系统降级为提示模式。
• 主路车辆密集：目标关联出现歧义，导致汇入窗口判断延迟。
• V2X通信中断：在隧道内PC5信号丢失，系统切换为纯车载传感器模式，汇入成功率下降12%。

复盘改进措施包括：增加激光雷达雨雾滤波算法、优化目标关联的代价函数、在隧道内增加Uu蜂窝通信作为V2X备份链路。

3.5 常见误区与总结